Naukowcy zaproponowali AegisFlow - framework oparty na wieloagentowych systemach AI, który automatycznie naprawia błędy w pipeline'ach danych zamiast czekać na działania człowieka. Tradycyjne narzędzia obserwacyjności jedynie podnoszą alarmy, pozostawiając inżynierom obowiązek ręcznego rozwiązywania problemów związanych ze zmianami schematów danych, modyfikacją API czy zmianami w strukturze stron internetowych. AegisFlow zamyka pętlę między detekcją a naprawą, wykorzystując agenta Watchdog do zbierania danych telemetrycznych oraz agenta Repair do automatycznego tworzenia, testowania i wdrażania poprawek kodu generowanych przez LLM-y.
System opiera się na modelu Parallel Shadow Patching - nieintruzywnej metodzie opartej na pętli MAPE-K (Monitor, Analyze, Plan, Execute, Knowledge), która generuje i weryfikuje łatki w środowiskach cyfrowych bliźniąt. W testach na pięciu typowych scenariuszach awarii AegisFlow wykazał imponujące wyniki - 98,1-procentową poprawę w Mean Time to Repair (MTTR), redukcję z średnio 170 minut do 3,2 minuty na łatkę, oraz 92-procentową stopę powodzenia napraw. System szczególnie dobrze radził sobie ze zmianami schematu JSON (96 procent) i drytem interpunkcji (98 procent), podczas gdy najmniej skuteczny okazał się przy zmianach Shadow DOM (85 procent).
To rozwiązanie ma znaczący potencjał transformacji operacyjności zespołów danych - AegisFlow uwalnia około 98 procent czasu poświęcanego przez inżynierów danych na alertach i ręcznych naprawach. Zamiast nieustannego gaszenia pożarów, mogą skupić się na budowaniu stabilnych systemów i strategicznych ulepszeniach infrastruktury. Framework reprezentuje krok w kierunku bardziej autonomicznych i samonaprawiających się systemów danych.